如何优雅地使用c语言编写爬虫的方法

2020-02-24 14:28:45

字体：大中小

来源：转载

供稿：网友

每个人都需要在和平时期或多或少地写网络爬虫，一般来说，Python是爬虫的首选，此外，Java和其他语言也是不错的选择，本文是武林技术频道小编为大家整理的如何优雅地使用c语言编写爬虫的方法，一起进入下文了解一下吧！

1、爬虫的特性

配置方便。使用一句设置函数，即可定义user agent，cookie，timeout，proxy以及抓取线程和解析线程的最大数量。
程序逻辑独立。用户可以分别定义爬虫的解析函数，和数据持久化函数。并且对于解析到的新url，用户可以使用cspider提供的addUrl函数，将其加入到任务队列中。
便捷的字符串处理。cspider中提供了基于pcre的简单的正则表达式函数，基于libxml2的xpath解析函数，以及用于解析json的cJSON库。
高效的抓取。cspider基于libuv调度抓取线程和解析线程，使用curl作为其网络请求库。
2、使用cspider的步骤

获取cspider_t。
自定义user agent，cookie，timeout，proxy以及抓取线程和解析线程的最大数量。
添加初始要抓取的url到任务队列。
编写解析函数和数据持久化函数。
启动爬虫。

3、例子

先来看下简单的爬虫例子，会在后面详细讲解例子。

#include<cspider/spider.h>/*  自定义的解析函数，d为获取到的html页面字符串*/void p(cspider_t *cspider, char *d, void *user_data) { char *get[100]; //xpath解析html int size = xpath(d, "//body/div[@class='wrap']/div[@class='sort-column area']/div[@class='column-bd cfix']/ul[@class='st-list cfix']/li/strong/a", get， 100); int i; for (i = 0; i < size; i++) { //将获取到的电影名称，持久化  saveString(cspider, get[i]); }}/*  数据持久化函数，对上面解析函数中调用的saveString()函数传入的数据，进行进一步的保存*/void s(void *str, void *user_data) { char *get = (char *)str; FILE *file = (FILE*)user_data; fprintf(file, "%s/n", get); return;}int main() { //初始化spider cspider_t *spider = init_cspider(); char *agent = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.10; rv:42.0) Gecko/20100101 Firefox/42.0"; //char *cookie = "bid=s3/yuH5Jd/I; ll=108288; viewed=1130500_24708145_6433169_4843567_1767120_5318823_1899158_1271597; __utma=30149280.927537245.1446813674.1446983217.1449139583.4; __utmz=30149280.1449139583.4.4.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/login; ps=y; ue=965166527@qq.com; dbcl2=58742090:QgZ2PSLiDLQ; ck=T9Wn; push_noty_num=0; push_doumail_num=7; ap=1; __utmb=30149280.0.10.1449139583; __utmc=30149280"; //设置要抓取页面的url cs_setopt_url(spider, "so.tv.sohu.com/list_p1100_p20_p3_u5185_u5730_p40_p5_p6_p77_p80_p9_2d1_p101_p11.html"); //设置user agent cs_setopt_useragent(spider, agent); //cs_setopt_cookie(spider, cookie); //传入解析函数和数据持久化函数的指针 cs_setopt_process(spider, p, NULL); //s函数的user_data指针指向stdout cs_setopt_save(spider, s, stdout); //设置线程数量 cs_setopt_threadnum(spider, DOWNLOAD, 2); cs_setopt_threadnum(spider, SAVE, 2); //FILE *fp = fopen("log", "wb+"); //cs_setopt_logfile(spider, fp); //开始爬虫 return cs_run(spider);}

例子讲解

cspider_t *spider = init_cspider();获取初始的cspider。cs_setopt_xxx这类函数可以用来进行初始化设置。其中要注意的是: cs_setopt_process(spider,p,NULL);与cs_setopt_save(spider,s,stdout);，它们分别设置了解析函数p和数据持久化函数s，这两个函数需要用户自己实现，还有用户自定义的指向上下文信息user_data的指针。在解析函数中，用户要定义解析的规则，并对解析得到的字符串可以调用saveString进行持久化，或者是调用addUrl将url加入到任务队列中。在saveString中传入的字符串会在用户自定义的数据持久函数中得到处理。此时，用户可以选择输出到文件或数据库等。
最后调用cs_run(spider)即可启动爬虫。

以上就是如何优雅地使用c语言编写爬虫的方法，如果你还是有不清楚的地方，你可以随时来关注武林技术频道小编为大家推荐的知识，感谢你对武林技术频道的支持。

上一篇：理解C语言二维数组的指针指向问题

下一篇：讲解C语言中变量和内存地址对应的简单知识